説明可能性の詳細は Amazon Ensemble、Anaplan Prophet、MVLR の各アルゴリズムに含まれています。

  • 説明可能性の詳細によって、フォーキャスト入力 (関連データなど) が予測結果に与える相対的な影響を特定できます。電動自転車企業を例にとってみましょう。
      • 過去の石油価格、電動自転車の価格、プロモーション データに関する情報がある PlanIQ フォーキャスト モデルを読み込みます。
      • 石油価格の上昇やプロモーションが売上の増加に影響するかどうかを示すことができます。
  • 説明可能性の詳細はアルゴリズム内の独立した特徴量変数から導き出されます。こうした詳細は将来の予測に役立てることができます。一般的な特徴量の例として以下のようなものがあります。
      •  マーケティング キャンペーンとプロモーション
      •  在庫レベル
      •  原油価格
  • 予測結果に与える影響は特徴量ごとに異なる場合があります。一つの特徴量が予測結果に及ぼす影響度が特徴量の貢献度からわかります。 

以下のチャートには特徴量がフォーキャスト結果に及ぼす影響が表示されています。

履歴トレンドの影響が 10.1%、3 か月の季節性の影響が 9.9%、12 か月の季節性の影響が 51.2% であることがこのチャートからわかります。

履歴トレンドや 3 か月の季節性 (両者の影響はほぼ同じ) よりも、12 か月の季節性の影響の方がはるかに大きいことがわかります。